产品经理所面对的数据，本质上和日常生活中的数据没有太大的差别。简单来说，都是一个量化事物的手段，就像身高、体重一样，都是一个数字指标，它代表了现实存在的事物的一个客观情况。
正是因为数据的客观性，让数据变成了发掘问题本质，寻找事物规律所需要用到的最有利的手段之一。
数据虽然客观，但是有时也会骗人，而且骗人的方式不同。
1、障眼法欺骗
案例一： 把沉默用户当做支持和反对的中间态
2家网站A和B，都经营类似的业务，都有稳定的用户群。它们都进行了类似的网站界面改版。改版之后，网站A没有得到用户的赞扬，反而遭到很多用户的臭骂；而网站B既没有用户夸它，也没有用户骂它。如果从数据来看, 应该是网站B的改版相对更成功, 因为没有用户表达不满。但事实并非如此。网站A虽然遭到很多用户痛骂，但说明还有很多用户在乎它；对于网站B，用户对它已经不关心了.网站A指的是Facebook，网站B是微软旗下的Live Space。
案例二： 把某一类型数据当做全部数据导致分析结果错误
某产品想要看网站现在的用户访问量是什么状态，于是选择了PV作为观测指标，通过alexa来看网站的PV在过去一年中呈明显的下降态势，于是就以此为论据进行了分析。
可是后来发现，alexa仅仅统计通过WEB的访问量，而用户移动端的登录并不在统计范围之内。由于微信等移动端应用的使用，一大部分人会通过移动端的途径进入，缺失这部分数据意味着前面统计的数据基本没有意义，因为WEB端访问量的下降有可能是用户访问网站次数降低，同时也有可能是由PC端向移动端迁移，这个统计就不能作为论据出现了。
2、单一欺骗法
案例一：将指标分开单一看，忽略多环节指标
在统计用户反馈的时候，只看到几个用户反馈一个问题，这些反馈在整个问题里占比只有1%，你觉得这个太低了，不加以重视！但是，你不知道另外99%遇到这个问题的用户很可能卸载你了！！！
案例二 ： 高流量即高转化？错！
一篇文章百度带来100个leads，微信带来80个leads。但百度带来的流量最终转化为60个注册用户，微信渠道最终转化了64个注册用户，哪个渠道比较好，不能单纯根据流量来源多少定吧？
大流量、收录高是获得好转化、好排名的基础，是敲门砖。但绝不是决定性的唯一因素。某些情况下，大流量是获得转化的前提，也就我们平常所说的扩大用户池子。在获得流量后需要考虑如何提高产品转化。但某些情况下，流量转化的高低取决于渠道质量的好坏。
3、被动欺骗法
案例一 ： 只看数据不考虑其他因素
比如：A入口的留存率是30%，B入口的留存率是50%,大多人都觉得B入口的功能更吸引用户。但你忘记了B入口藏的非常深啊，进到这里的用户都是非常忠实的用户当然留存高啊，这就根本没法说明B比A好。
案例二 ： 只关注产品而不关注外界的决定性因素
当年Firefox用户与Mac用户对支付宝重要与否，单从浏览器数据统计看，Firefox访问支付宝的比例太低了。不过因为支付宝不支持Firefox，所以，这个比例不能用作判断的依据。Mac用户也是一样。再说一个，支付宝当年代缴水电煤的项目改版之后，发现缴费用户立刻暴增，产品人员欣喜若狂。后来某同学分析一下，原来那几天是每个月水电煤缴费高峰期，周期性的抽风。其实呢，分析一下我国有关部门发布的数据，你会发现那都是一些说谎的数据。
案例三 ： 数字背后对应的内容可能更重要
改版了款wap产品，没做任何推广前提下，发现流量飙升，尤其匿名用户涨了3倍。因为产品本身用户基数低，所以流量翻了两三倍也算正常。当时估计是SNS的口碑传播导致的。但最后还是觉得不对劲，查了一下，发现是搜索引擎在抓页面，因为改版了，所以它们要重新抓一次。空欢喜一场。数字还是那个数字，但背后它到底对应了什么内容，常常被忽略了。在与数据打交道的过程中，我们会因为各种原因，导致分析的结论出现较大的偏颇。
那如何避免被 “说谎的数据 ”欺骗呢？
警惕5大误区，让数据不在说谎
（1）选取的样本容量有误
08年奥运会上，姚明的三分投篮命中率为100%，科比的三分投篮命中率为32%，那么是不是说姚明的三分投篮命中率要比科比高?
显然不能这么说，因为那届奥运会，姚明只投了一个三分球，科比投了53个。
因此，在做数据对比分析时，对于样本的选取，需要制定相同的抽样规则，减少分析结论的偏差性。
抽取样本的方法有：
各种抽样方法的抽样误差一般是：整群抽样≥单纯随机抽样≥系统抽样≥分层抽样。
（2）忽略沉默用户
用户迫切需要的需求≠产品的核心需求
产品经理在听到部分用户反馈的时候就做出决策，花费大量的时间开发相应的功能，往往结果，可能这些功能只是极少部分用户的迫切需求，而大部分用户并不在乎。
忽略沉默用户，没有全盘的考虑产品大部分目标用户的核心需求，可能造成人力物力的浪费，更有甚者，会错失商业机会。
（3）混淆关联与因果
某电商网站数据显示，商品评论的数量与商品销售额成正比。即一个商品评论数量越多，那么该商品的销售额也会越高。
假如我们认为评论多是销量高的原因的话，数据分析的结论就会指导我们，需要创造更多的商品评论来带动商品销量。
但如果真的这样操作的话，就会发现很多商品的销量对于评论的敏感度并不一样，甚至很多商品销量很高，但与其评论的多少毫无关系。
这里，我们就需要思考，评论真的是影响销量的必然因素吗?
除了评论之外，影响销量的因素，还有其质量、价格、活动等，如果能完整的认识到这些因素，那我们要拉升商品销量，首先会需要先从其他角度来考虑，而非评论入手。
因此，在分析数据的时候，正确判断数据指标的逻辑关系，是指导我们做出产品决策的前提。
（4）可视化表达方式有误
用来表达数据的图表的长宽，取值的间隔，数据的标准化等都会造成视觉上的误差。
由上图可知，如果数据的取值间隔划分过大（等比数列 1,10,100,1000,10000）而不是标准等差数列（1,2,3,4），则数据之间巨大差异会被缩小。
在可视化数据看板里面，采用统一的图表标准，选用最适合企业查看的数据表达方式。不仅拥有可视化图表，而且还有可视化埋点，让数据分析完全自动化，定制化。
（5）过度依赖数据
过度依赖数据，一方面，会让我们做很多没有价值的数据分析；另一方面，也会限制产品经理本来应有的灵感和创意。
比如，分析马车的数据，很可能我们得出的结论，是用户需要一匹更快的马车。如果过度依赖数据，局限了我们的思维，就很有可能不会有汽车的诞生。
很多优秀甚至伟大的产品决策，并非通过数据发现的，而是一个产品经理综合智慧的体现。
数据是客观的，但是，解读数据的人是主观的。
只有正确的认识数据，才能正确的利用数据。
强大的功能和严谨的数据分析逻辑已经被越来越多的产品经理，运营人员所推荐。
CIO之家 www.ciozj.com 公众号:imciow